تلفن: 04142273781

ترجمه مقاله پیش بینی پیوندهای متمایز با استفاده سیگنال های جهانی، اجتماعی و محلی – نشریه IEEE

عنوان فارسی: پیش بینی پیوندهای متمایز با استفاده سیگنال های جهانی، اجتماعی و محلی
عنوان انگلیسی: Discriminative Link Prediction using Local, Community and Global Signals
تعداد صفحات مقاله انگلیسی : 14 تعداد صفحات ترجمه فارسی : 36
سال انتشار : 2015 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 7122 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.49Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله: اینترنت و شبکه های گسترده و مهندسی الگوریتم ها و محاسبات
مجله: نتایج و یافته های بدست آمده در حوزه دانش و مهندسی داده ها
کلمات کلیدی: شبکه اجتماعی، پیش بینی پیوند
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1-مقدمه

1-1 ویژگی ها

1-2 شرح مدل

3-1 مرور کلی بر ارزیابی

4-1 نوشته ها و طرح کلی

2-آثار مربوطه

1-2 تشابه محلی

2-2 گام ها و هدایت تصادفی

3-2 گام تصادفی نظارت شده

4-2 عوامل ماتریس

5-2 مدل های تولید احتمالی

6-2 دسته بندی مشترک

3 چارچوب مطرح شده: شبکه گاسی شرطی خطی

1-3 تعریف مسئله

2-3 مرور کلی بر چارچوب تمایز دو سطحی

3-3 یادگیری تشابه محلی

1-3-3 یافتن Wuv و تشابه مرجع

4-3 امتیازهای پیوند محلی

5-3 دسته بندی مشترک و «شگفتی»

6-3 ویژگی گراف جهانی

7-3 فراگیرنده متمایز برای مدل جهانی

7-1-3 تابع اتلاف

2-7-3 نقشه ویژگی

4- پروتکل ارزیابی

1-4 دقت در برچسب گذاری در برابر رده بندی

1-4-4 دقت و یادآوری

2-1-4 دقت متوسط میانی

2-4 پروتکل نمونه برداری گره جستجو

3-4 پروتکل نمونه برداری یال

5- آزمایشات

1-5 توصیف مجموعه داده ها

2-5 مقایسه عملکرد

3-5 پایداری در نمونه برداری

4-5 اهمیت ویژگی های متنوع

5-5 توزیع حجم کار

1-5-5 توزیع حجم بار در شبکه های فیلم

2-5-5 توزیه حجم کار در شبکه ذکر منبع

6-5 مجموعه داده های بین نوسانی عملکرد

7-5 ارزیابی گراف های دوتایی

6- نتیجه گیری

نمونه متن انگلیسی

Abstract

Predicting plausible links that may emerge between pairs of nodes is an important task in social network analysis, with over a decade of active research. Here we propose a novel framework for link prediction. It integrates signals from node features, the existing local link neighborhood of a node pair, community-level link density, and global graph properties. Our framework uses a stacked two-level learning paradigm. At the lower level, the first two kinds of features are processed by a novel local learner. Its outputs are then integrated with the last two kinds of features by a conventional discriminative learner at the upper-level. We also propose a new stratified sampling scheme for evaluating link prediction algorithms in the face of an extremely large number of potential edges, out of which very few will ever materialize. It is not tied to a specific application of link prediction, but robust to a range of application requirements. We report on extensive experiments with seven benchmark datasets and over five competitive baseline systems. The system we present consistently shows at least 10% accuracy improvement over state-of-the-art, and over 30% improvement in some cases. We also demonstrate, through ablation, that our features are complementary in terms of the signals and accuracy benefits they provide.

نمونه متن ترجمه

چکیده

پیش بینی پیوندهای توجیه پذیر که ممکن است بین جفت گره ها پدیدار گردد، کار مهمی در تحلیل شبکه اجتماعی در طی یک دهه تحقیقات فعال محسوب می گردد. در اینجا چارچوب جدیدی برای پیش بینی پیوند مطرح می کنیم. این چارچوب سیگنال های برگرفته از ویژگی های گره، همسایگی پیوند محلی موجود جفت گره، تراکم پیوند جامعه محور و ویژگی های گراف جهانی را ادغام می سازد. چارچوب ما از الگوی یادگیری دو سطحی توده ای استفاده می کند. در سطح پایین تر، دو نوع نخست ویژگی ها با فراگیر محلی تازه پردازش می شوند. سپس خروجی ها با دو نوع آخر ویژگی ها بر حسب نوآموز متمایز سنتی در سطح بالاتر ادغام می شوند. ما همچنین طرح نمونه طیفی جدید برای ارزیابی الگوریتم های پیش بینی پیوند ضمن مزایای زیاد بالقوه استفاده می کنیم . این طرح مختص به کارگیری خاص پیش بینی پیوند نیست، بلکه در دامنه ای از شرایط کاربرد پایدار است. ما آزمایشات گسترده با هفت مجموعه داده معیار و پنج سیستم خط مبنا رقابتی گزارش می کنیم. سیستمی که ما به طور دائم مطرح می کنیم حداقل 10% بهبود دقت در حالت ظریف را نشان می دهد و بیش از 30% بهبود در برخی موارد را خاطر نشان می کند. ما همچنین نشان می دهیم که ویژگی های ما به لحاظ سیگنال ها و مزایای دقت تکمیلی اند.